在当前大数据的时代背景下,推荐系统已经开始在各种各样的场景下使用,尤其是在电商平台、新闻资讯、视频网站等场景。在视频推荐的应用场景下,本文对用户短期的交互行为数据、用户个人特征数据和视频特征数据进行分析,采用召回和排序两个阶段为每个用户生成一个个性化视频推荐列表。在召回阶段中,基于用户的交互行为数据构建以视频为节点的网络图,采用图神经网络中Node2Vec算法来提取视频的特征表示向量,进而得到视频-视频之间的相似度矩阵。结合用户-视频的交互矩阵进行协同过滤,为每个用户初步筛选得到一个大小为200的视频候选集。本文在传统协同过滤的基础上,引入时间衰减因子对用户-视频交互矩阵进行改进,来突出用户兴趣随时间变化的特点。通过实证对比分析发现,加入时间衰减因子后召回率为0.297124,这个指标相比于未改进的模型增加了1.4%,说明用户兴趣的变化是用户行为的分析中的一个重要因素。在实际业务中,可以对用户的兴趣区分长期兴趣、中期兴趣和短期兴趣进行分析。在排序阶段,基于用户特征数据和视频特征数据,以用户是否观看视频为目标训练排序模型,分别训练了逻辑回归、XGBoost、Light GBM和Deep FM模型,结果发现基于特征工程后训练的XGBoost模型效果优于推荐领域流行的Deep FM模型。本文采用模型融合的方法得到最终的排序模型,该融合后的模型相较于单一最优模型AUC指标提升了1.296%。在实际建模过程中,本文对用户特征和视频特征进行了特征工程,从用户角度构造了用户兴趣偏好、用户活跃度等特征,从视频特征角度构造了视频流行度以及对视频标签、导演和演员重要性等特征。通过XGBoost模型的特征重要性分析发现,基于用户兴趣画像构建的用户兴趣偏好特征是最重要的特征,说明本文构造的特征对于结果的预测是有必要的。最终,对召回阶段得到的候选视频集采用排序模型进行精准排序得到一个长度为30的个性化视频推荐列表,基于加入时间衰减因子后的召回模型和排序模型组合得到的召回率最高,达到0.235789。